本文提出兩種輕量級卷積神經網路 (CNN) 模型,用於快速準確地檢測人臉偽造,並與其他預先訓練的 CNN 模型進行比較,證明其在準確性和計算效率方面的優勢。
본 논문에서는 딥러닝 기술을 활용하여 얼굴 이미지의 위조 여부를 정확하고 빠르게 탐지하는 경량 컨볼루션 신경망 모델인 LightFFDNets을 제안하고, 다른 딥러닝 모델들과 비교 분석하여 그 성능을 검증합니다.
本論文では、顔画像偽造を高速かつ正確に検出するために、軽量な畳み込みニューラルネットワーク(CNN)ベースの2つの新しいモデル(LightFFDNets)を提案する。
This research introduces two novel lightweight Convolutional Neural Network (CNN) models, LightFFDNet v1 and LightFFDNet v2, designed for rapid and accurate detection of facial forgeries, demonstrating superior speed compared to existing architectures while maintaining high accuracy.
본 연구는 이미지 처리 기술과 머신러닝을 활용한 자동 유권자 집계 시스템이 수작업으로 인한 오류 가능성을 줄이고 선거 과정의 효율성, 투명성 및 신뢰도를 향상시킬 수 있는지에 대한 실증적인 평가를 제시합니다.
Automated voter counting systems using machine learning and image processing techniques offer a viable solution to enhance the transparency, efficiency, and trustworthiness of elections, particularly in contexts like Bangladesh where electoral mistrust is prevalent.
WoodYOLO는 현미경 목재 섬유 분석을 위해 특별히 설계된 새로운 객체 감지 알고리즘으로, 고해상도 현미경 이미지에서 목재 수종 감지의 정확성과 효율성을 크게 향상시킵니다.
WoodYOLOは、顕微鏡画像内の木材細胞、特に導管要素を高い精度と再現率で自動検出する深層学習モデルであり、木材種の同定の自動化、ひいては違法伐採の抑制や持続可能な森林管理に貢献する。
This paper introduces WoodYOLO, a novel object detection algorithm based on the YOLO architecture, specifically designed for identifying wood species in microscopic images by efficiently detecting vessel elements.
RAWMamba는 이미지 및 비디오 도메인 모두에서 sRGB-to-RAW 디렌더링을 위해 개발된 Mamba 기반의 통합 프레임워크로, 다양한 메타데이터 유형을 통합하여 고품질 RAW 데이터를 효율적으로 재구성합니다.